ある材料科学者の話

「また負けた」

田中教授（仮名）は、競合ラボの論文を見て溜息をついた。

彼が3年かけて探索していた電池材料——その最有力候補を、米国のチームが先に発見していた。しかも、彼らの探索期間はわずか9ヶ月。

違いは何か？

答えは単純だった。AIだ。

彼らは Microsoft の MatterGen を使い、3260万の候補材料を80分で50万に絞り込んでいた。田中教授が1つ1つシミュレーションしている間に、AI は桁違いのスピードで候補を選別していたのだ。

「AI か……でも、自分にはプログラミングの知識がない」

田中教授はそう思って、これまで AI を避けてきた。

この記事は、そんな研究者のために書きました。

世界で何が起きているのか

「AI は科学を加速する力になる」——Satya Nadella

2024年のダボス会議で、Microsoft CEO の Satya Nadella はこう語った。

「AI はこれまで科学に新しいツールを提供してきた。しかしこれからは、科学そのものを加速する力（accelerate science） になる」

📖 World Economic Forum 2024: Satya Nadella

この言葉は、単なるビジョンではない。すでに現実になりつつある。

2024年、AI がノーベル賞を獲った

2024年10月、世界中の研究者が息を呑んだ。

Google DeepMind の AlphaFold2 の開発者が、ノーベル化学賞を受賞したのだ。

50年間、誰も解けなかった「タンパク質折りたたみ問題」。数ヶ月かかる構造予測が、数分で終わる。この衝撃は、科学の歴史に刻まれた。

でも、本当の衝撃はその後に来た。

AlphaFold2 は無料で公開され、今や190カ国、50万人以上の研究者が使っている。

「AI を使える研究者」と「使えない研究者」——この差は、もはや研究成果の差になっている。

人類800年分の発見？——GNoME の衝撃と論争

Google DeepMind は止まらなかった。

2023年、GNoME という AI が、220万種の新しい結晶材料を発見したと発表した。

220万種。これは人類の800年分の知識に相当すると Google DeepMind は主張した。

そのうめ38万種が実用候補。736種はすでに実験で確認済み。リチウムイオン伝導体は従来の25倍見つかったという。

ただし、批判もある

「発見」の多くは既知材料の変形に過ぎないという指摘
「安定」の定義が実用的でない（合成困難な材料を含む）
独立検証が難しいという懸念

GNoME の成果がどれだけ実用化につながるかは、今後の検証を待つ必要がある。

それでも、AI による大規模な材料探索が可能になったこと自体は、科学史における転換点だ。

Microsoft Discovery——科学研究の「共同パイロット」

ここで、Microsoft Discovery について詳しく見てみよう。

Discovery は、Microsoft が2024年に発表した AI 駆動型の科学研究プラットフォームだ。単なるツールではない。複数の専門 AI エージェントが協働して研究を加速する、新しい研究スタイルを提案している。

成功事例1：データセンター用冷却材の発見（200時間）

📖 Microsoft Research: Accelerating Scientific Discovery with AI

Microsoft の研究チームは、環境に優しいデータセンター用冷却材を探していた。従来の PFAS（フッ素化合物）は環境負荷が高く、代替材料が急務だった。

従来の研究なら、候補の特定だけで数年かかる。

Discovery を使った結果——

ステップ	所要時間	内容
初期スクリーニング	数時間	候補材料のデータベース検索
AI 予測・絞り込み	約1週間	熱伝導率、環境負荷を予測
実験検証	約200時間	最終候補の合成・テスト
合計	約200時間	従来の1/100以下

200時間で、非 PFAS 冷却材を発見した。

成功事例2：電池材料の探索（9ヶ月で合成成功）

📖 Microsoft and PNNL: AI-accelerated battery materials discovery

パシフィック・ノースウェスト国立研究所（PNNL）との共同プロジェクトでは、リチウム使用量を削減した次世代電池材料を探索した。

結果：

指標	数値
初期候補数	3260万種
AI スクリーニング後	50万種（80分で絞り込み）
物理シミュレーション後	800種
最終候補	18種
合成・検証期間	9ヶ月
成果	リチウム使用量70%削減の新材料を合成成功

従来のアプローチなら、人間の一生でも終わらない規模の探索だった。

成功事例3：GSK との創薬パートナーシップ

📖 GSK and Microsoft partnership announcement

世界的な製薬企業 GSK は、Microsoft Discovery とパートナーシップを締結した。

目的：AI を活用した創薬プロセスの加速

GSK は、Discovery の分子設計能力と、Azure クラウドの計算リソースを組み合わせ、新薬候補の探索を効率化している。

成功事例4：Estée Lauder との化粧品成分探索

📖 The Estée Lauder Companies and Microsoft expand AI collaboration

意外かもしれないが、化粧品業界も AI for Science の恩恵を受けている。

Estée Lauder は、Microsoft Discovery を活用し、新しいスキンケア成分の探索を行っている。従来、成分の安全性・有効性の検証には覆大な時間がかかっていたが、AI による事前スクリーニングで候補を絞り込み、実験工程を大幅に短縮している。

Discovery を支える技術スタック

Discovery の強みは、単一の AI ではなく、複数の専門 AI エージェントが協働する点にある。

コンポーネント	役割
MatterGen	拡散モデルで新材料を「生成」する
MatterSim	材料の物性を高速シミュレーション
Aurora	大気・気象の基盤モデル
Azure OpenAI	論文分析、仮説生成、レポート作成
Copilot	研究者との対話インターフェース

これらが連携し、研究者の「共同パイロット」 として機能する。

ポイント
Microsoft Discovery は「AI に研究を任せる」のではない。
研究者が AI と協働して、人間だけでは不可能だったスケールの探索を行う——これが新しい研究スタイルだ。

日本の研究者に、今チャンスが来ている

文科省「チャレンジ型プログラム」とは

2026年1月14日、文部科学省は「AI for Science の推進に向けた基本的な戦略方針の方向性について」を発表した。

その中に、こんなプログラムがあった。

チャレンジ型プログラム

予算：約500万円/件
採択：1,000件程度
期間：半年程度
公募：年2回（春頃、夏頃）
対象：あらゆる分野（人文学・社会科学含む）

📖 文部科学省「AI for Scienceの推進に向けた基本的な戦略方針の方向性について」

あらゆる分野。ここが重要だ。

物理学、化学、生物学だけじゃない。歴史学、言語学、社会学——あなたの分野も対象なのだ。

「何を研究すればいいのか？」——NAIRR Pilot が参考になる

「AI for Science に興味はあるけど、具体的に何を研究すればいいかわからない」

そんな声をよく聞く。参考になるのが、米国の NAIRR Pilot（National AI Research Resource Pilot）だ。

NAIRR Pilot は、米国政府が2024年に開始したAI 研究のための国家リソース提供プログラム。大学や研究機関の研究者に、GPU クラスタ、クラウドリソース、API アクセスなどを無償提供している。

2025年末時点で、681件以上のプロジェクトが採択されている。その研究分野の内訳を見てみよう。

NAIRR Pilot の研究分野トップ10

順位	研究分野	件数
1	AI・知的システム	284
2	コンピュータサイエンス	187
3	健康科学	20
4	生化学・分子生物学	19
5	情報科学	13
6	応用コンピュータサイエンス	13
7	材料工学	8
8	経済学・ビジネス	8
9	機械工学	6
10	教育科学	6

📖 NAIRR Pilot Awards

具体的にどんな研究がされているのか？

採択されたプロジェクトの例を見てみよう。すべてのプロジェクトは NAIRR Pilot Awards で確認できる。

🧬 医療・生命科学

プロジェクト	概要	機関
Foundation Epidemic Model	インフルエンザ・COVID-19 の流行予測のための基盤モデル開発	Emory University
Digital Twin Synthesis	胸部X線、CT、心電図のプライバシー保護合成データ生成	Broad Institute of MIT and Harvard
LabGenie	患者向け検査結果説明 AI の開発	Florida State University
タンパク質構造品質評価	AI 予測タンパク質構造の精度推定モデル	—

🌍 気候・環境科学

プロジェクト	概要	機関
Earth Foundation Model Fusion	地表と大気の統合基盤モデル	University of Illinois at Urbana-Champaign
DUNE2	高解像度エルニーニョ予測 AI	University of Maryland, Baltimore County
GUARD-AR	大気の川（Atmospheric Rivers）の確率的予測	University of California, San Diego
SmartWater	河川水質モニタリング AI	—

🧪 化学・材料科学

プロジェクト	概要	機関
mCLM	合成可能な機能性分子を設計する言語モデル	University of Illinois at Urbana-Champaign
FDA 承認薬の改良	430種の承認薬の特性改善	—

🤖 AI・基盤技術

プロジェクト	概要	機関
LLM エージェントの長期記憶	グラフ構造を用いた信頼性向上	Georgia Institute of Technology
詐欺検出ベンチマーク	実世界の詐欺データに基づく評価基準	Pennsylvania State University
プロンプトインジェクション対策	LLM のセキュリティ強化

NAIRR Pilot から学べること

「AI そのもの」の研究だけではない
- 医療、環境、材料、経済——あらゆる分野で AI が活用されている
「既存 AI の応用」でも十分
- 新しい AI を作る必要はない
- 既存の基盤モデルをファインチューニングするだけでも研究になる
「社会課題の解決」が重視される
- 詐欺検出、水質監視、感染症予測——実社会のインパクトが評価される

ポイント
NAIRR Pilot の採択プロジェクトは、チャレンジ型プログラムで何を研究するかの絶好の参考資料だ。
自分の専門分野 × AI の組み合わせで、どんな研究ができるか考えてみよう。

「でも、AI は専門外だから……」

その言葉を、私は何度も聞いてきた。

でも、考えてみてほしい。

AlphaFold を使うのに、AI の専門知識は要らない。
GPT-5.2 を使うのに、プログラミングは要らない。
MatterGen の成果を活用するのに、機械学習の論文を読む必要はない。

AI を「作る」人と、AI を「使う」人は違う。

あなたに求められているのは、AI を作ることではない。あなたの専門分野で、AI をどう活かすか——それを考えることだ。

そして実は、それが一番難しい。

なぜなら、あなたの分野を本当に理解しているのは、AI 研究者ではなく、あなた自身だから。

500万円、あなたならどう使う？

ある研究者の失敗談

ここで、実際にあった（そして、よくある）失敗を紹介しよう。

Aさん（工学系・准教授）

500万円の研究費を獲得。「これで AI 研究を始めよう」と意気込み、GPU サーバーを400万円で購入。

残り50万円でセットアップ。

結果——

設置に2ヶ月

CUDA 環境構築で1ヶ月のトラブル

冷却問題で夏に停止

論文はゼロ

これは珍しい話ではない。むしろ、典型的な失敗パターンだ。

なぜこうなるのか？

GPU を買っただけでは、AI は使えない。

GPU はただのハードウェアだ。その上で動くソフトウェア環境の構築が必要であり、それには専門知識と時間がかかる。CUDA のバージョン、Python の環境、ライブラリの依存関係——これらを整えるだけで数週間が消えることも珍しくない。

さらに、GPU は買った瞬間から陳腐化が始まる。

A100 は2020年発表のチップだ。今は H100、来年は B200。400万円で買ったサーバーは、1年後には「型落ち」になる。

しかも、GPU を買っても研究は進まない。GPU は道具にすぎない。研究に必要なのは、データと、それを処理する時間と、成果を発表する機会だ。

成功した研究者は何が違ったか

一方、同じ500万円で成果を出した研究者もいる。

Bさん（材料科学・助教）

予算配分：

Azure OpenAI API：80万円

クラウド GPU（必要な時だけ）：100万円

研究補助員（大学院生）：150万円

データ整備：100万円

学会発表・論文投稿：70万円

結果——

論文2本投稿

学会で招待講演

次の大型グラントを獲得

違いは明らかだ。

GPU を「所有」するのではなく、「必要な時だけ使う」。

余った予算で人を雇い、データを整備し、成果を発表する。

これが、500万円を「研究成果」に変える方法だ。

具体的に、何をすればいいのか

ステップ1：汎用 LLM と専門 AI を区別する

ここで重要な区別がある。

GPT-5.2 にできること：

論文を読んで要約する
アイデアを壁打ちする
コードを書く手伝いをする
文章を校正する
一般的な推論を行う

GPT-5.2 にできないこと：

物性を予測する
分子動力学シミュレーションを実行する
タンパク質の構造を計算する
気象モデルを回す

「ChatGPT があれば何でもできる」は幻想だ。

GPT-5.2 は「考える」ことや一般的な推論はできるが、物理法則に基づいた計算はできない。

材料の熱伝導率を知りたいなら、MatterSim。
タンパク質の構造を知りたいなら、AlphaFold2。
気象予測をしたいなら、Aurora。

汎用 LLM（GPT-5.2）と専門 AI ソフト（MatterGen 等）は、役割が違う。

あなたがしたいこと	使うべきツール
論文100本を分析したい	GPT-5.2 + GraphRAG
新しい仮説を考えたい	GPT-5.2、Claude
材料の物性を予測したい	MatterSim、MatterGen
タンパク質構造を知りたい	AlphaFold2、ESMFold
気象データを予測したい	Aurora

ステップ2：まず無料で試す

いきなり申請書を書く必要はない。

まず、無料で試せるものから始めよう。

サービス	用途	費用
Azure AI Foundry	AI モデルの統合プラットフォーム	無料トライアルあり
Azure OpenAI Studio	GPT-5.2 を試す	無料トライアルあり
GitHub Education	Copilot Pro を無料で使う	教育機関向け無料
AlphaFold DB	タンパク質構造検索	完全無料
Materials Project	材料データベース	完全無料

1時間で、世界最先端の AI を体験できる。

「これは自分の研究に使えそうだ」——その感覚を掌むことが、申請書を書く第一歩だ。

ステップ3：仲間を見つける

一人で全部やる必要はない。

多くの大学には、AI・データサイエンスの支援部門がある。彼らは「AI の専門家」だが、あなたの研究分野の専門家ではない。

つまり、お互いに必要としている。

あなたは「何を解きたいか」を知っている。
彼らは「どう解くか」を知っている。

この組み合わせが、最強のチームになる。

申請書を書くとき、何を意識すべきか

審査員は何を見ているか

審査員が知りたいのは、4つのことだ。

なぜ AI が必要なのか？
- 従来手法の限界は何か？
- AI を使うことで、何が可能になるのか？
具体的に何をするのか？
- どのツール/サービスを使うのか？
- 予算配分は妥当か？
半年で何が得られるのか？
- 論文？特許？データセット？
- 次のステップは何か？
あなたにしかできないことは何か？
- 専門分野の知識をどう活かすのか？
- 他の研究者への波及効果は？

避けるべき申請書

こういう申請書は、通らない。

❌ 「AI で○○を効率化する」

何を？どのくらい？具体性がない。

❌ 「GPU サーバーを購入してディープラーニングを行う」

手段が目的になっている。何を達成したいのか不明。

❌ 「最新の AI 技術を適用する」

「最新」って何？具体的なツール名がない。

通る申請書の例

こういう申請書は、審査員の目に留まる。

✅ 課題設定
「材料Xの熱伝導率予測には、従来の DFT 計算で1候補あたり2週間かかる。100候補の探索に4年必要。」

✅ AI活用の具体策
「MatterSim を用いて候補材料を事前スクリーニングし、実験対象を100候補から5候補に絞り込む。」

✅ 予算配分

Azure OpenAI API（論文分析）：80万円

クラウド GPU（MatterSim 実行）：100万円

研究補助員（データ整備）：150万円

実験材料費：100万円

学会発表・論文投稿：70万円

✅ 期待される成果
「探索期間を4年から6ヶ月に短縮。論文2本投稿予定。得られた手法は他の材料探索にも適用可能。」

具体的で、測定可能で、実現可能——これが通る申請書だ。

最後に——この波に乗り遅れないために

冒頭の田中教授の話に戻ろう。

彼は今、チャレンジ型プログラムに申請書を準備している。

「AI は専門外だから」——そう言って避けてきた3年間。その間に、競合ラボは何歩も先に進んでいた。

でも、まだ間に合う。

500万円は、正しく使えば研究を劇的に加速させる力を持っている。

GPU を買うな。API を使え。
一人で悩むな。仲間を見つけろ。
「AI がわからない」と言うな。あなたの分野を一番知っているのは、あなた自身だ。

公募は年2回（春頃・夏頃）。

次の公募まで、あと数ヶ月。

今日から準備を始めよう。

参考文献

[1] 文部科学省「AI for Science の推進に向けた基本的な戦略方針の方向性について」（2026年1月14日）
[2] Google DeepMind: AlphaFold
[3] Microsoft Research: MatterGen
[4] Google DeepMind: GNoME
[5] NAIRR Pilot
[6] Azure OpenAI Service
[7] Microsoft GraphRAG

シリーズ記事

📎 すべての記事一覧は著者ページをご覧ください

📖 AI for Science に関するご相談は nahisaho@microsoft.com 宛にお願いします。